yolov5项目rknn模型精度优化 yolov5 模型训练

1.在github下载源码

2.准备数据集

（1）创建数据集文件夹

        在yolov5文件夹里创建一个shujuji文件夹，可以自己命名，不要中文。

        

         shujuji文件夹里再创建两个文件夹分别是训练集和验证集

        接着分别在train 和 val 文件夹里创建images 和 labels ，第一个文件夹里放要训练的图片

        第二个用labelimg工具标注后生成的标注文件(举例：.txt,  .xml)

（2）下载标注工具labelimg

pip install labelimg

        下载到对应的环境，接着输入labelimg，就打开了

（3）标注图片 

        打开labelimg工具，在工具里打开要标注的图片文件夹，设置生成的文本保存位置到         train/labels 下（保存路径一般会自动提示）

        我的文件夹里准备了56张口罩图片，接下来就是标注工作~ 

        如果图片太多，一次不能全部标注完，关闭labelimg工具继续上次标注，

（4）标注完成

 给val文件夹里也拷贝一份，要放到对应目录！

声明一下：因为没有验证集会报错，其实我这里是不规范的，只是为方便跑起来将训练集和验证集用的一样了

最终是这样子的：

3.修改yaml文件

        在目录下找到data 和 models 这两个文件夹

        编辑data/coco128.yaml文件

        names根据自己标注的类别填

       

        接着再编辑models/yolov5s.yaml文件

        有几个类别，nc就填几

         

4.下载权重文件

         打开官网下拉就可以看到

         将yolov5s.pt放到yolov5-master目录下

5.train.py 指令运行 

常规参数解释：   

weights：权重文件路径

cfg：存储模型结构的配置文件

data：存储训练、测试数据的文件

epochs：指的就是训练过程中整个数据集将被迭代（训练）了多少次，显卡不行你就调小点。

batch-size：训练完多少张图片才进行权重更新，显卡不行就调小点。

img-size：输入图片宽高，显卡不行就调小点。

device：cuda device, i.e. 0 or 0,1,2,3 or cpu。选择使用GPU还是CPU

workers：线程数。默认是8

（1）第一次运行

python train.py --weights yolov5s.pt  --cfg models/yolov5s.yaml  --data data/coco128.yaml --epoch 100 --batch-size 8 --img 640   --device cpu

GPU训练的话将device后面的改成0

我按了回车后，不一会就报错了

 

 解决这个问题仅需要修改一下 utils/dataloaders.py 里的一个参数num_workers

将nw改成0

（2）第二次运行 

跑起来了

 

6.测试训练结果

python detect.py --weights best.pt  --device cpu --source img/

        从shujuji中拿出四张图片测试了一下，结果如下

总结：

        比较麻烦的训练前的工作，比如数据的准备，有图片，有将要生成的标注文件，这些路径都不能搞错，然后就是修改yaml文件，coco128.yaml里不要空行，特别是最后一行，整行都是注释的也不要。